机器学习引导的设备级设计,用于高效的道氧化物消极接触式太阳能电池
Chenhui Zhang1,2, Zhenhai Yang1,2, Yuqi Zhang1,2
1School of Optoelectronic Science and Engineering and Collaborative Innovation Center of Suzhou Nano Science and Technology, Soochow University, Suzhou, 215006, China.
Small (Weinheim an der Bergstrasse, Germany)
|August 13, 2025
概括
这项研究利用数据驱动的方法优化了n型道氧化物被动接触 (TOPCon) 太阳能电池. 它确定了提高效率的关键参数,实现预测的28.10%的性能.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 半导体物理 半导体物理
背景情况:
- 道氧化物被动接触 (TOPCon) 太阳能电池在晶光伏中占主导地位,这是由于其出色的被动化和接触性能.
- 在TOPCon太阳能电池中进一步提高效率需要超越传统方法的全面优化.
研究的目的:
- 通过克服经验驱动的局限性,开发一种数据驱动的方法来优化n型TOPC太阳能电池.
- 确定影响太阳能电池效率的关键物理和光伏参数,并建立设计的协调原则.
主要方法:
- 采用了一种双向框架,将前预测和逆向优化与数值模拟相结合.
- 构建了一个包含13000个数据集的多维数据库,包括13个物理和4个PV参数.
- 用于高精度回归模型和基于遗传算法的优化,以及用于机制分析的SHapley添加式扩展 (SHAP) 进行了合并学习.
主要成果:
- 数据驱动的分析证实,过度的道氧化物厚度和接口重组降低了效率.
- 确定了一个最佳参数组合,预测太阳能电池效率为28.10%.
- SHAP分析显示,前排放器参数是最具影响力的,协调不良导致效率低和复杂的前后相互作用.
结论:
- 为TOPCon太阳能电池优化建立了一个可扩展的,数据驱动的方法.
- 发现了对参数协调的关键见解,例如前重和后重的兴奋剂策略.
- 这些发现为未来的光伏设备设计和效率提升提供了基本原则.
更多相关视频
11:38Influence of Hybrid Perovskite Fabrication Methods on Film Formation, Electronic Structure, and Solar Cell Performance
Published on: February 27, 2017
18.6K
08:29Morphology Control for Fully Printable Organic–Inorganic Bulk-heterojunction Solar Cells Based on a Ti-alkoxide and Semiconducting Polymer
Published on: January 10, 2017
9.2K
